Neuro-Tinder: AI-Schönheit liegt im Gehirn des Betrachters
Forscher aus Helsinki und Kopenhagen haben eine Künstliche Intelligenz entwickelt, die es schafft nach einem Gehirnscan attraktive Gesichter zu generieren.
Es könnte ein Plot für eine Science-Fiction-Serie sein, vielleicht auch ein Ausblick in eine nahende Zukunft. Oder eine Entwicklung, die Online-Singlebörsen und Matching-Apps aufjubeln lässt. Forscher aus Helsinki und Norwegen haben eine AI entwickelt, die das Gehirn scannt, um zu lernen, welche Features der Versuchsperson als attraktiv erscheinen.
Computergestaltete Gesichter
Konkret erstellten sie in der Studie computergestaltete Gesichter und griffen dabei auf ein kontradiktorisches neuronales Netzwerk zurück. Angelehnt an 200.000 eher unbekannten Promi-Bilder. Die Gesichter besaßen einige Gesichtszüge, die Menschen attraktiv finden. Zum Beispiel markante Kiefer und blaue Augen.
AI misst Reaktion auf Reize
Beim Versuch wurden Probanden nicht etwa gebeten, die generierten Gesichter zu bewerten. Stattdessen wurden bei den Tests P300-Wellen untersucht. Ähnlich wie bei Lügendetektor-Tests handelt es sich hier um eine Welle, die Reaktionen auf Reize misst. Mittels „Machine Learning“ war das Programm in der Lage maßgeschneiderte Fotos von Personen zu erstellen, die es gar nicht gibt. Diese generierten Gesichter wurden dann Teilnehmern gezeigt. Diese mussten sich bei dem Experiment nur auf jene „Faces“ konzentrieren, die ihnen gefielen, nicht mehr. Elektroenzephalographie (EEG) -Kappen nahmen während einer Slideshow „Daten aus dem Gehirn auf“. Danach eruierte ein Algorithmus was jene Bilder gemeinsam hatten, auf die die meisten Probanden ansprachen.
Erfassung der Gehirnwellen durch EEG
„Wir haben den Teilnehmern eine große Auswahl dieser Gesichter gezeigt und sie gebeten, sich selektiv auf jene zu konzentrieren, die sie attraktiv fanden“, erklärte Michiel Spapé, Postdoktorand an der Universität Helsinki, gegenüber Digital Trends. „Durch die Erfassung der Gehirnwellen per EEG, die unmittelbar nach dem Sehen eines Gesichts auftraten, haben wir erkannt, ob ein Gesicht als attraktiv angesehen wird oder nicht. Diese Informationen verwendeten wir, um eine Suche innerhalb des neuronalen Netzwerk-Modells, ein 512-dimensionalen ‚Face Space‘, zu steuern und einen Punkt zu triangulieren, der dem Attraktivitätsgefüge eines einzelnen Teilnehmers entspricht.“
Reize im Vordergrund
Oder anders gesagt, man fand heraus, was welches einzelne Gehirn schön findet. Die Wissenschaftler sahen nämlich ungefähr 300 Millisekunden nachdem ein Teilnehmer ein attraktives Bild gesehen hatte, sein Gehirn mit einem bestimmten elektrischen Signal aufleuchten, das als diese P300-Welle bezeichnet wird. Es ging nicht um Anziehungskraft per se, wie die Forscher betonen, sondern um das Erkennen bestimmter relevanter Reize.
AI-Modell erfasst persönliche Präferenz
„Während es einige Merkmale gibt, die von den Teilnehmern allgemein bevorzugt werden, da einige in unseren Experimenten erzeugte Gesichter einander ähnlich sehen, erfasst unser AI-Modell wirklich persönliche Präferenzen“, so Tuukka Ruotsalo, Associate Professor an der Universität von Helsinki, gegenüber Digital Trends. „Es gibt Unterschiede bei allen generierten Bildern. Im trivialsten Aspekt erhalten Teilnehmer mit unterschiedlichen Geschlechtspräferenzen Gesichter, die dieser Präferenz entsprechen.“
Gehirn-Crawler
Mit diesem Durchbruch einer Art „Gehirn-Kriechers“ lässt sich jetzt natürlich mutmaßen, inwiefern diese AI-Technologie genutzt werden kann. Und wird. Der erste logische Gedankenschritt in diese Richtung ist die Entstehung von etwas, das man als Neuro-Tinder bezeichnen kann und rein optisch zwei User per App miteinander verbindet, die ähnliche Geschmäcker haben. Weitaus komplexer wird es, wenn man weiter denkt und andere Bereiche, wie Märkte und Zielgruppen, mit einbezieht.
Potentielle Nutzung?
In Richtung „Targeting“ gebe es tatsächlich viele Möglichkeiten der Nutzung. Während diverse Medien in dieser Causa von Filmemachern reden, die ihrer Zielgruppe entsprechend bestimmte (attraktive) Schauspieler casten, sind auch diverse CGI-Faces denkbar, die gezielt Gruppen ansprechen. Was gut in der Gaming-Industrie funktionieren würde. Aber auch die Werbung, die auf individuelles Marketing setzt, könnte mit so einer Technologie in der Hand und dem einhergehenden Reiz-Schema noch fokussierter auf potentielle Kunden zugehen. Und sie mit jener Schönheit locken, auf die sie schon anfällig sind.
Das gemeinsame Vielfache
Nicht, dass es etwas Neues wäre, attraktive Menschen in Film und Fernsehen zu nutzen, Produkte mit schönen Personen zu versehen oder nach Sympathie zwecks Attraktivität einzustellen. Allerdings ändert sich die Dynamik, sobald Marktstudien dahinter stehen und noch gezielter mittels AI-Reizforschung in die Vorlieben potentieller Kunden eingreifen können. Der Spruch „Schönheit liegt im Auge des Betrachters“ deutet darauf hin, dass es viele individuelle Faktoren gibt, warum man jemanden attraktiv findet. Bei jedem anders, so die bisherige Annahme. Engt man allerdings wissenschaftlich basiert ein „gemeinsames Vielfaches“ pro ausgesuchter Zielgruppe ein, so könnte das noch weitreichendere Folgen haben, als es bisher Amazon und Facebook mit ihrem individuellen „Target Marketing“ auslösen. Denn, wenn Liebe blind macht, so kann man festhalten, Schönheit reizt. Auch eine AI-generierte.
„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung
Technologie-Trends zu erkennen ist heute einfach, sie ins Kerngeschäft zu übersetzen bleibt die eigentliche Hürde. Frank Möbius hat BMWs Tech-Früherkennung sechs Jahre verantwortet und erklärt im brutkasten-Gespräch, woran der Transfer scheitert und wie er gelingt.
„Der Transfer ist das Schwierigste“: Ex-BMW Tech-Scouting-Leiter Frank Möbius über Technologie-Früherkennung
Technologie-Trends zu erkennen ist heute einfach, sie ins Kerngeschäft zu übersetzen bleibt die eigentliche Hürde. Frank Möbius hat BMWs Tech-Früherkennung sechs Jahre verantwortet und erklärt im brutkasten-Gespräch, woran der Transfer scheitert und wie er gelingt.
Knapp 30 Jahre war Frank Möbius bei BMW. Zuletzt leitete er in der Konzernforschung den Bereich Technologiemanagement und -prognose und koordinierte das weltweite Netzwerk der BMW Technology Offices vom Silicon Valley bis Tokio. Seit 2023 gibt er seine Erfahrung als Senior Innovation Advisor bei der UnternehmerTUM GmbH in München, Europas größtem Gründerzentrum, weiter. Im Interview erklärt er, wie systematische Technologie-Früherkennung funktioniert, warum die meisten Unternehmen am Transfer der daraus gewonnenen Erkenntnisse scheitern und wie KI die Tech-Trenderkennung vereinfacht hat.
brutkasten: Sie waren fast 30 Jahre bei BMW. Wie sind Sie dort zum Thema Innovation gekommen?
Frank Möbius: Ich habe an der Uni Stuttgart Maschinenbau, Fachrichtung Fahrzeugtechnik studiert und nach dem Diplom Anfang 1990 meinen ersten Job bei der Lufthansa Technik in Frankfurt gefunden. Dort durfte ich die damals neuartigen stangenlosen Flugzeugschlepper mitentwickeln und 1992 den neuen Flughafen München damit ausrüsten – meine erste Berührung mit Innovationen und ihrer Einführung im Massengeschäft. Ich verließ die Lufthansa nach ein paar Jahren, um an der Uni Kaiserslautern über Robotik zu promovieren. Nach der Promotion kam ich 1996 zu BMW, meiner Wunschfirma in meiner Wunschstadt. Dort konnte ich viele unterschiedliche Funktionen übernehmen: erst arbeitete ich vier Jahre im Versuchsfahrzeugbau, dann vier Jahre im Personalwesen, ein lehrreicher “Side Step” für einen Ingenieur!
(c) BMW Group
Mitte 2004 durfte ich eine Abteilung für Vorentwicklung und Innovationsmanagement im Bereich Antriebsproduktion übernehmen. Daraus entstand meine Rolle im damals neuen elektrifizierten Antrieb für BMW – von der strategischen Inhouse-Entscheidung und fachlichen Befähigung der Firma bis zur Großserie: über zehn Jahre lang war ich für die Industrialisierung und später Entwicklung von Hochvoltbatterien verantwortlich, vom ersten A-Muster mit einem sehr kleinen Team bis zu 100 Mitarbeitenden. 2017 bin ich schließlich in die Forschung gewechselt und habe dort das Team “Technologiemanagement und -prognose” übernommen, das später in die Einheit “Open Innovation” integriert wurde.
Was macht so eine Open-Innovation-Einheit in einem Konzern konkret?
Mit Open Innovation Methoden erkennt und verwertet man frühzeitig innovative Signale und Trends, die außerhalb der eigenen Unternehmensgrenzen stattfinden. Wir schauen bewusst in Branchen jenseits des Automobilbaus: Consumer Electronics, Luft- und Raumfahrt, Medizin, Computing, Biomaterialien, etc. Immer mit der Frage im Hinterkopf: Was können wir davon für das eigene Kerngeschäft nutzen? Konkret: Technologische Trends aus der Cross-Industrie frühzeitig erkennen, verstehen, bewerten, ein Proof-of-Concept-Projekt durchführen, z. B. mit einem Startup, einer Uni, einem Fraunhofer-Institut, etc. und diese Ergebnisse dann in die Firma für die eigenen Produkte, Services und Prozesse transferieren.
(c) BMW Group
BMW hat dafür eine eigene Abteilung aufgebaut. Wie hängen die einzelnen Bausteine zusammen?
2015 wurde die Technologie-Früherkennung mit dem Technologie-Trendradar ins Leben gerufen, fast gleichzeitig wurde die BMW Startup Garage gegründet. Das Radar ist zunächst ein Visualisierungs- und Kommunikationstool: wir platzieren die erkannten Technologien nach Kategorien und Reifegraden, um frühzeitig aufzeigen zu können, was sich technologisch weltweit tut. Aber diese Erkenntnisse stehen erstmal nur auf dem Papier. Entscheidend ist nach Bewertung und Priorisierung die Verwertung dieser Erkenntnisse, der sogenannte Transfer. Dieser erfolgt dann oft mit Startups.
Hier kommt die BMW Startup Garage zum Einsatz. Sie betreibt Venture Clienting, d. h. sie investiert nicht, sondern scoutet im Netzwerk der internationalen BMW Tech Offices die besten Startups und koordiniert Innovationsprojekte mit den betroffenen BMW-Fachbereichen, die meist das Budget dafür stellen. Diese Startups müssen schon reifer sein, also ein stabiles Team, eine robuste Finanzierung, ein fertiges Produkt – ggf in anderen Branchen – und am besten schon erste Kunden haben. Das Ziel dabei ist immer, dass das Startup ein regulärer Lieferant für BMW werden kann, wir nennen das “startup as a supplier”. Erst wenn die Lösung des Startups wirklich bei BMW zum Einsatz kommt – in Produkt, Service oder Prozess -, entsteht Impact!
Daneben gibt es das Team BMW iVentures als klassischer Risikokapital-Investor, der ebenfalls über das BMW Tech Office Netzwerk auch in ganz frühphasige Startups investiert. Außerdem gehört dazu ein BMW-interner Incubator und eine Crowd Innovation Plattform.
Wie läuft systematische Tech-Trenderkennung bzw. Tech-Scouting im Alltag ab?
Es gibt vier Prozessschritte: Scouten und Strukturieren, Diskutieren und Bewerten, Visualisieren und Vorbereiten und dann der Transfer in die passenden BMW-Fachbereiche und die dortige Umsetzung. Den ersten Schritt haben früher Mitarbeitende und Werkstudierende gemacht, heute erledigen das maßgeschneiderte KI-Agenten. Für den zweiten Schritt braucht man die Experten: Fachleute von intern und extern. Ggf wird zu einem bestimmten Tech-Trend eine Studie erstellt. Für den dritten Schritt sitzt man in Workshops zusammen und erarbeitet einen Vorschlag für das nächste Trendradar und mögliche Scouting- oder Prototypen-Projekte. Von einer Liste mit über hundert Themen bleiben dann vielleicht vierzig übrig, die auf das Trendradar kommen und fünf, die dann tiefergelegt werden.
(c) BMW Group
Und dann kommt der Teil, an dem viele scheitern.
So ist es! Die ganzen modernen Technologien und Trends kann man heute recht einfach im Netz recherchieren, Generative AI hilft dabei. Das Entscheidende aber ist am Ende: Was leitet das Unternehmen daraus ab? Nur neues Wissen, eine Produktverbesserung oder gleich ein neues Geschäftsmodell? Einfacher gesagt: was mache ich damit morgen besser als heute? Das ist das Schwierige, der Transferprozess. Dieser hat inhaltliche, strukturelle, finanzielle aber auch menschliche Aspekte. Der Transfer einer neuen, erstmal riskanten Technologie aus einer anderen Branche in die eigene Firma ist oft schwierig. Auch bei BMW hat es ein paar Jahre gedauert, bis erste Erfolge kamen und das Vorgehen akzeptiert war.
Was ist das Rezept, damit es funktioniert?
Man holt die Personen, die später die Erkenntnisse umsetzen sollen, frühzeitig in den Prozess mit hinein. Sie dürfen die Startups mit bewerten, sie erfahren sofort, wenn eine neue Technologie für ihren Fachbereich tiefergelegt werden soll, diese wird dann gemeinsam bewertet. Dafür gibt es in der BMW Startup Garage für jedes Ressort einen konkreten Schnittstellenpartner. Dann geht man gemeinsam in den betroffenen Fachbereich, organisiert die Ressourcen und plant das Projekt, damit das Startup den Prototypen bauen kann. Wichtig: für das Startup-Projekt wird oft das Geld des späteren Fachbereichs verwendet. Das erzeugt zusätzliches Commitment! Und das Zweite ist die Hierarchie: Wenn Du einen Bereichsleiter oder Geschäftsführer hast, der voll hinter Open Innovation steht und auch mal in oberen Etagen politisch unterstützt, dann funktioniert es deutlich besser, auch in Krisenzeiten mit Budgetknappheit.
(c) BMW Group
Was raten Sie einem Unternehmen, das ohne viel Budget mit Technologiemanagement starten will?
Man muss nicht gleich zehn Leute einstellen. Oft genügt erstmal eine Person mit den nötigen Ressourcen und Befugnissen, dazu evtl. einen Studierenden und ein paar Teilkapazitäten in den relevanten Fachbereichen als Unterstützung. Ggf hilft am Anfang auch eine externe Trendagentur oder ein passender Toolanbieter. KI-Kenntnisse sind wichtig, um einen KI-Agenten nutzen oder einen eigenen aufbauen zu können. Ein gutes, internationales Netzwerk in alle relevanten Industrien ist ebenso wichtig, denn inzwischen betreiben die meisten großen Firmen Technologie-Früherkennung im Rahmen von Corporate Foresight, man kann von ihnen lernen und Best Practices übernehmen. Ich habe aus meinen über 6 Jahren in dieser Rolle eine Liste mit den zehn wichtigsten Lessons Learned zusammengeschrieben. Da steht alles drin, was man braucht, man muss es halt nur noch machen.
Was machen Sie heute bei UnternehmerTUM?
UnternehmerTUM hat drei Zielgruppen: Talente, Startups und Unternehmen – vom großen Corporate und Mittelstand bis zum Familienunternehmen. Meine Hauptarbeit liegt in der Innovationsberatung, wo ich meine BMW-Erfahrung einbringen kann. Daneben bin ich Startup-Mentor, halte Vorlesungen, unterstütze die Internationalisierung der UnternehmerTUM und betreue Delegationen. Und ich baue gerade einen KI-gestützten Technologie-Trendradar-Prozess für die UnternehmerTUM, die TUM Venture Labs und ihre Partner und Kunden auf. Der ist nochmal deutlich umfangreicher als ein Radar für die Automobilindustrie. Wir haben dafür einen KI-Agenten gebaut, der weltweit schwache Tech-Signale erkennt, also Technologien, die noch kein messbarer Trend sind. Diesen KI-Agenten trainiere ich täglich. Gerade für Mittelständler und Familienunternehmen ist das sehr hilfreich, weil sie in der Regel nicht das Netzwerk und die Möglichkeiten großer Firmen haben.
(c) BMW Group
Gibt es ein Beispiel aus Ihrer BMW-Zeit, das zeigt, was Open Innovation bewirken kann?
Aus der Tech-Trenderkennung und der Startup-Arbeit wurden in den letzten Jahren schon viele Projekte zu Quantum Computing, Fahrzeug-Satelliten-Kommunikation, Gesundheitsdaten-Monitoring im Fahrzeug, Panorama-Displays, In-Car-Gaming u.v.m. erfolgreich transferiert. Einiges davon ist schon im Auto zu erleben, manches wird noch kommen. Mein Lieblingsbeispiel ist das farbwechselnde Auto: keine klassische Trenderkennung, aber ein erfolgreicher Cross-Industry-Transfer und vielleicht sogar ein Trendsetter! Eine Mitarbeiterin von mir hatte vor vielen Jahren die mutige Idee, die Display-Funktionen eines E-Readers aufs Auto zu übertragen. Sie hat sich die E-Ink-Panels besorgt, einen Prototypen entwickelt und damit nach vielen Experimenten mit einigen Helfern den BMW iX Flow aufgebaut – übrigens anfangs im MakerSpace der UnternehmerTUM. Mit diesem Auto war sie mit BMW 2022 in der Schwarz-Weiß-Version und ein Jahr später mit dem BMW i VISION Dee in der Farbversion mit großem Erfolg auf der CES in Las Vegas: The Color-Changing Car! Das ist für mich der perfekte Cross-Industry-Transfer: Ich übertrage eine erfolgreiche Technologie aus einer Industrie in eine völlig andere und habe einen Nutzen daraus. Ob das in irgendeiner Form mal in Serie kommt? Wer weiß …
Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.
